Comparte
En este micro podcast de 2 minutos Matias Tiberio, CX Intelligence Architect, nos comentaba 3 puntos de interés en materia de data science para este 2022: Apoyarnos en la fuerza de la automatización de los procesos, la inteligencia artificial como ayuda humana para analizar variables cualitativas como el sentimiento y las bases de datos robustas que nos dan mayor riqueza a nuestros insights.
Matías deja nuestra casa hacia un nuevo proyecto ( te vamos a extrañar), pero le pasa la posta a Luisina Rubio CX Intelligence Specialist, que retoma y amplía los temas lanzados por él a fin de año.
1. Automatización de procesos en real time
En su podcast Matías nos habla de la automatización como gran apoyo para el desarrollo del data science, en procesos, reportes, pero también decía que estamos viendo solo la punta del iceberg. ¿En qué campos crees que la automatización se va desarrollar más y cómo puede beneficiar a las marcas?
Creo que es factible aplicar automatizaciones en la mayoría de los campos, en algunos total y en otros parcialmente. Por ejemplo en reportes periódicos, que es algo en lo que estamos trabajando actualmente, las automatizaciones nos ahorran muchísimo tiempo y nos ayudan a minimizar el trabajo manual y monótono. Un gran beneficio que pueden traer las automatizaciones a las marcas es el real time. Tener procesos automatizados para visualizar datos en tiempo real permite a las marcas tomar decisiones y pensar accionables en el acto. Conectar plataformas y tecnologías como Sprinkler con Power Bi para automatizar la captura y visualización de los datos son algunos de los ejemplos que podemos citar en este sentido.
2. La IA colaborando con sensibilidad humana
También nos comentaba sobre el impacto de la IA en la ayuda humana, logrando categorizar variables cualitativas como el sentimiento. ¿Hasta dónde piensas que la IA puede llegar en materia análisis cualitativo?
Creo que hoy en día es tal el avance en el campo de la Inteligencia Artificial que es posible generar reportes real time automáticamente que analicen texto, sentimiento, y hasta nos brinde insights sin necesidad de intervención humana. El futuro en esta área es prometedor, sin embargo creo que tiene sus limitaciones, siempre se necesitará la interpretación humana para agregar valor a los resultados obtenidos. En Findasense trabajamos variables como el sentiment desde hace muchos años y actualmente estamos trabajando en modelos con Python para automatizar esta tarea.
3. Bases de datos que optimizan el Big Data
Por último Matía hablaba de bases de datos robustas: ¿Cuáles crees que serán los principales restos en conformarlas, pensando también en factores como la privacidad?
El principal reto es la masividad de datos, el big data, pero es un reto que se ha ido achicando ya que los lenguajes de programación evolucionan y se adaptan a estos grandes volúmenes de datos, el desafío entonces es mantenerse actualizado en cuanto los conocimientos necesarios para trabajar sobre ellos. Lo que hace tiempo se podía manejar con Excel, ayer se hacía con Pandas en Python y hoy tenemos por ejemplo Spark para manejar eficientemente gran cantidad de datos optimizando los recursos. La privacidad también es un punto clave que hoy por hoy está muy bien cubierto con cloud computing y los diversos procesos que ofrecen las diferentes plataformas del mercado. Es importante sin embargo, seguir estimulando el trabajo de los ingenieros de datos, actores claves para lograr esta evolución y adaptabilidad.
